CN113361579A - 一种水下目标探测辨识方法、系统、设备及可读存储介质 - Google Patents

一种水下目标探测辨识方法、系统、设备及可读存储介质 Download PDF

Info

Publication number
CN113361579A
CN113361579A CN202110605511.6A CN202110605511A CN113361579A CN 113361579 A CN113361579 A CN 113361579A CN 202110605511 A CN202110605511 A CN 202110605511A CN 113361579 A CN113361579 A CN 113361579A
Authority
CN
China
Prior art keywords
flow field
probability
target
electric field
signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110605511.6A
Other languages
English (en)
Other versions
CN113361579B (zh
Inventor
胡桥
付同强
姜光宇
刘钰
杨倩
李怡昕
彭浩然
赵佳伟
李思虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202110605511.6A priority Critical patent/CN113361579B/zh
Publication of CN113361579A publication Critical patent/CN113361579A/zh
Application granted granted Critical
Publication of CN113361579B publication Critical patent/CN113361579B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/257—Belief theory, e.g. Dempster-Shafer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种水下目标探测辨识方法、系统、设备及可读存储介质，通过融合动态目标产生的流场压力信号与电场畸变实现流电信息复合探测，解决了现有水下声探测方法信息表征不全面、受环境干扰影响的探测盲区问题，可作为水下非声探测的有效补充技术，基于Neyman‑Pearson规则实现单一流/电场信息的融合，在同构检测系统检测概率达到最优的情况下选择最佳的流/电信号作为异构融合的依据，提高了单场信息的可靠度，基于D‑S证据理论实现BPNN,GRNN与GRNN的数据融合，最小化系统预测误差，然后实现流/电信息的融合，形成信息表征更加全面、系统性能更加稳定与辨识能力更加精准的水下目标探测。

Description

一种水下目标探测辨识方法、系统、设备及可读存储介质
技术领域
本发明属于水下目标探测领域，具体涉及一种水下目标探测辨识方法、系统、设备及可读存储介质。
背景技术
水下高灵敏度、高精度、大范围、高智能目标探测是现代海洋装备系统的关键技术，其有效程度决定了海洋装备的作战性能和效率。由于海水本身的特性，如对电磁波的快速衰减性，极低的光线穿透性等，使得水下目标物具有极强的隐蔽性。世界各国为了提升水下装备的“隐身”性能，对此持续不断的投入大量科技研发力量进行研究，使得水下目标物的隐蔽性不断得到加强。因此，若能从复杂水下环境中提取目标的有效信息，进而捕获目标并在此基础上实现目标智能辨识，对于提高水下装备的目标探测与环境感知能力具有重要意义。
然而，水下探测领域目前主要采用的声探测方式常常受到复杂海洋环境和集群作战态势的影响(包括界面反射产生的多途效应和声波传播特性受水文条件影响严重，以及近距离集群装备辐射噪声和目标强度大等干扰因素)，使其在海洋作战装备系统的实际使用中无法对周围环境和目标进行精确感知，成为制约新一代海洋作战装备发展的技术瓶颈。此外，由于水下环境复杂多变的特点，传统的利用单一物理场信息的探测方式获取信息不全面不适应于复杂海洋环境，难以表征真实的敌方警备情况，甚至会产生目标的虚警或漏探造成对战场态势的误判。
发明内容
本发明的目的在于提供一种水下目标探测辨识方法、系统、设备及可读存储介质，以克服现有技术的不足。
为达到上述目的，本发明采用如下技术方案：
一种水下目标探测辨识方法，包括以下步骤：
S1，对已知类型水下目标的流场压力信号、流场压力噪声序列进行低通滤波预处理，电场畸变信号和电场噪声序列分别进行去直流滤波预处理；
S2，基于Neyman-Pearson规则对预处理后的流场压力信号和流场压力噪声序列进行融合形成流场信号集，从流场信号集取最优的流场信号以及从预处理后的电场畸变信号取最优电场信号依据检测概率划分数据样本集，利用数据样本集进行模型训练得到多模型概率输出模型；
S3，基于D-S证据理论利用多模型概率输出模型对获取的流场信号和电场信号进行概率判别，将判别结果进行融合得到最终的目标概率分布，取目标概率分布中概率最大的类别为辨识类别，从而实现水下目标探测辨识。
进一步的，通过水压传感器测量K类水下目标物产生的多传感流场压力信号
Figure BDA0003093958840000021
和流场压力噪声序列
Figure BDA0003093958840000022
通过电场接受极测量目标激发的电场畸变信号
Figure BDA0003093958840000023
和电场噪声序列
Figure BDA0003093958840000024
k为目标类别(k＝0、1…K)；
基于低通滤波实现
Figure BDA0003093958840000025
的预处理，基于去直流滤波实现
Figure BDA0003093958840000026
和
Figure BDA0003093958840000027
的预处理：
Figure BDA0003093958840000028
Figure BDA0003093958840000029
Fk(n)＝{f1 k(n),...,fI k(n)}
Figure BDA00030939588400000210
F0(n)＝{f1 0(n),...,fI 0(n)}
Figure BDA0003093958840000031
fi k(n)/fi 0(n)是第i(i＝1…I)个水压传感器测得的第k类目标流场压力信号/噪声，
Figure BDA0003093958840000032
是第j(j＝1…J)个接受电极测得的第k类目标电场畸变信号/噪声。
进一步的，择最优的流场信号
Figure BDA0003093958840000033
和电场信号
Figure BDA0003093958840000034
依据检测概率划分流场信号数据样本集
Figure BDA0003093958840000035
和电场信号数据样本集
Figure BDA0003093958840000036
将数据样本集划分为M个报警等级，
Figure BDA0003093958840000037
是在第k类目标在流场/电场信息判定下的m级警报；分别提取流场信号数据样本集
Figure BDA0003093958840000038
和电场信号数据样本集
Figure BDA0003093958840000039
的多域特征构成特征集
Figure BDA00030939588400000310
基于Rosetta软件实现特征集
Figure BDA00030939588400000311
和
Figure BDA00030939588400000312
的特征约简得到特征敏感集，
Figure BDA00030939588400000313
利用特征敏感集
Figure BDA00030939588400000314
训练多模型神经网络实现对不同目标预警等级的辨识，并将模型的输出值转化为概率值，获得目标的概率分布。
进一步的，Fk(n)和Ek(n)的条件似然分布模型
Figure BDA00030939588400000315
和噪声分布
Figure BDA00030939588400000316
的估计具体步骤如下所示：
Figure BDA00030939588400000317
Figure BDA00030939588400000318
Figure BDA00030939588400000319
代表均值为
Figure BDA00030939588400000320
方差为
Figure BDA00030939588400000321
的正态分布，N为数据长度；
Figure BDA0003093958840000041
Figure BDA0003093958840000042
Figure BDA0003093958840000043
取fi 0(n)强度的均值：
Figure BDA0003093958840000044
取fi k(n)强度均值的相对值：
Figure BDA0003093958840000045
fi k(n)强度均值：
Figure BDA0003093958840000046
其中，abs(·)代表取绝对值函数，
Figure BDA0003093958840000047
Figure BDA0003093958840000048
Figure BDA0003093958840000049
Figure BDA00030939588400000410
Figure BDA00030939588400000411
进一步的，给定步长L对
Figure BDA00030939588400000412
进行无重叠样本划分，共得到[N/L]个长度为L的样本
Figure BDA00030939588400000413
[·]代表向下取整函数，v＝1，…，[N/L]，l＝1…L；然后取
Figure BDA00030939588400000414
绝对值和的均值重构伪时间样本序列
Figure BDA00030939588400000415
Figure BDA00030939588400000416
进一步的，基于多模型训练输出概率分布具体选择BP神经网络，广义回归神经网络与概率神经网络作为辨识框架，使用softmax函数输出样本的概率分布。
进一步的，基于D-S证据理论多模型概率融合的具体步骤如下：
Figure BDA0003093958840000051
其中，Kf为归一化常数：
Figure BDA0003093958840000052
标签空间作为辨识框架Ω＝{δ00，δ11,...,δ1M,......,δKM},上式中
Figure BDA0003093958840000053
Figure BDA0003093958840000054
分别表示BP网络,GRNN和PNN对水压传感器采集的信号的辨识，
Figure BDA0003093958840000055
表示三种网络的融合辨识。
一种水下目标探测辨识系统，包括：
信号采集处理模块，用于获取已知类型水下目标的流场压力信号、流场压力噪声序列、电场畸变信号和电场噪声序列，并分别进行低通滤波预处理和去直流滤波处理；
预训练模块，用于基于Neyman-Pearson规则对预处理后的流场压力信号和流场压力噪声序列进行融合形成流场信号集，从流场信号集取最优的流场信号以及从预处理后的电场畸变信号取最优电场信号依据检测概率划分数据样本集，利用数据样本集进行模型训练得到多模型概率输出模型；
多模型概率输出模块，基于D-S证据理论对获取的流场信号和电场信号进行概率判别，将判别结果进行融合得到最终的目标概率分布，取目标概率分布中概率最大的类别为辨识类别输出。
一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种水下目标探测辨识方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述一种水下目标探测辨识方法的步骤。
与现有技术相比，本发明具有以下有益的技术效果：
本发明一种水下目标探测辨识方法，通过融合动态目标产生的流场压力信号与电场畸变实现流电信息复合探测，解决了现有水下声探测方法信息表征不全面、受环境干扰影响的探测盲区问题，可作为水下非声探测的有效补充技术，基于Neyman-Pearson规则实现单一流/电场信息的融合，在同构检测系统检测概率达到最优的情况下选择最佳的流/电信号作为异构融合的依据，提高了单场信息的可靠度，基于D-S证据理论实现BPNN,GRNN与GRNN的数据融合，最小化系统预测误差，然后实现流/电信息的融合，形成信息表征更加全面、系统性能更加稳定与辨识能力更加精准的水下目标探测。
进一步的，通过估计噪声的概率分布推断目标的似然估计，避免了因后验概率缺少先验信息造成的模型参数估计困难的问题；依据检测概率的分布区间进行数据集划分，以不确定性程度作为度量准则，可有效解决传统采用固定阈值式的“一刀切”产生的预测信息与实际冲突的问题；基于Rosetta软件实现特征集的约简，去除了特征集中的冗余属性和“劣质”信息，提高了后续运算过程的效率。
进一步的，采用BP网络，广义回归神经网络与概率神经网络对流/电信息进行多模型预测，降低了因单一模型对“敏感”样本的误判而产生的辨识风险。
附图说明
图1为本发明实施例中流程图。
图2为本发明实施例中进行算法验证的仿真信号，图2(a)为两个水压传感器的仿真信号，图2(b)为两个电场传感器的仿真信号。
图3为本发明实施例中传感器与接收电极的噪声概率分布模型与在不同目标的条件似然分布模型，图3(a)为两个水压传感器的概率密度函数，图3(b)为两个电场传感器的概率密度函数。
图4为本发明实施例中基于Neyman-Pearson规则实现的融合系统的接收机工作特性曲线，图4(a)与图4(b)分别为流场数据、电场信号的融合特性。
图5(a)为本发明实施例中流场多模型融合预测对比图，图5(b)为本发明实施例中电场多模型融合预测对比图。
图6(a)为本发明实施例中单一流、电信息辨识情况对比结果图，图6(b)为本发明实施例中流电融合辨识情况对比结果图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
如图1所示，一种水下目标探测辨识方法，包括以下步骤：
S1，对已知类型水下目标的流场压力信号、流场压力噪声序列进行低通滤波预处理，电场畸变信号和电场噪声序列分别进行去直流滤波预处理；；
具体的，通过水压传感器测量K类水下目标物产生的多传感流场压力信号
Figure BDA0003093958840000071
和流场压力噪声序列
Figure BDA0003093958840000072
通过电场接受极测量目标激发的电场畸变信号
Figure BDA0003093958840000073
和电场噪声序列
Figure BDA0003093958840000074
k为目标类别(k＝0、1…K)；
基于低通滤波实现
Figure BDA0003093958840000075
的预处理，基于去直流滤波实现
Figure BDA0003093958840000076
和
Figure BDA0003093958840000077
的预处理：
Figure BDA0003093958840000078
Figure BDA0003093958840000079
Fk(n)＝{f1 k(n),...,fI k(n)}
Figure BDA0003093958840000081
F0(n)＝{f1 0(n),...,fI 0(n)}
Figure BDA0003093958840000082
fi k(n)/fi 0(n)是第i(i＝1…I)个水压传感器测得的第k类目标流场压力信号/噪声，
Figure BDA0003093958840000083
是第j(j＝1…J)个接受电极测得的第k类目标电场畸变信号/噪声；
S2，基于Neyman-Pearson规则对预处理后的流场压力信号和流场压力噪声序列进行融合形成流场信号集，从流场信号集取最优的流场信号以及从预处理后的电场畸变信号取最优电场信号依据检测概率划分数据样本集，利用数据样本集进行模型训练得到多模型概率输出模型；
S3，基于D-S证据理论利用多模型概率输出模型对获取的流场信号和电场信号进行概率判别，将判别结果进行融合得到最终的目标概率分布，取目标概率分布中概率最大的类别为辨识类别，从而实现水下目标探测辨识。
分别估计预处理后的流场压力信号的条件似然分布模型、电场畸变信号的条件似然分布模型、流场压力噪声序列分布模型和电场噪声序列分布模型；
Fk(n)和Ek(n)的条件似然分布模型
Figure BDA0003093958840000084
和噪声分布模型
Figure BDA0003093958840000085
表示第i个传感器探测到第k个类别，
Figure BDA0003093958840000086
表示第i个传感器未探出目标；
基于Neyman-Pearson规则实现Fk(n)和Ek(n)的融合，选择最优的流场信号
Figure BDA0003093958840000087
和电场信号
Figure BDA0003093958840000088
依据检测概率划分流场信号数据样本集
Figure BDA0003093958840000089
和电场信号数据样本集
Figure BDA00030939588400000810
对样本集进行划分，每类样本集被分为M个报警等级，
Figure BDA0003093958840000091
是在第k类目标在流场/电场信息判定下的m级警报；
分别提取流场信号数据样本集
Figure BDA0003093958840000092
和电场信号数据样本集
Figure BDA0003093958840000093
的多域特征构成特征集
Figure BDA0003093958840000094
基于Rosetta软件实现特征集
Figure BDA0003093958840000095
和
Figure BDA0003093958840000096
的特征约简得到特征敏感集，
Figure BDA0003093958840000097
剔除冗余特征；
利用特征敏感集
Figure BDA0003093958840000098
训练多模型神经网络实现对不同目标预警等级的辨识，并将模型的输出值转化为概率值，获得目标的概率分布；
基于D-S证据理论利用生成的多模型概率输出流场概率判别Pf和电场概率判别Pe，然后融合Pf和Pe得到最终的目标概率分布P0，选取P0中概率最大的类别作为警示类别等级。
Fk(n)和Ek(n)的条件似然分布模型
Figure BDA0003093958840000099
和噪声分布
Figure BDA00030939588400000910
的估计具体步骤如下所示：
Figure BDA00030939588400000911
Figure BDA00030939588400000912
Figure BDA00030939588400000913
代表均值为
Figure BDA00030939588400000914
方差为
Figure BDA00030939588400000915
的正态分布，N为数据长度；
同理
Figure BDA00030939588400000916
Figure BDA0003093958840000101
Figure BDA0003093958840000102
取fi 0(n)强度的均值：
Figure BDA0003093958840000103
取fi k(n)强度均值的相对值：
Figure BDA0003093958840000104
fi k(n)强度均值：
Figure BDA0003093958840000105
其中，abs(·)代表取绝对值函数，
Figure BDA0003093958840000106
同理
Figure BDA0003093958840000107
Figure BDA0003093958840000108
Figure BDA0003093958840000109
Figure BDA00030939588400001010
基于Neyman-Pearson规则实现Fk(n)和Ek(n)融合步骤如下：
给定步长L对
Figure BDA00030939588400001011
进行无重叠样本划分，共得到[N/L]个长度为L的样本
Figure BDA00030939588400001012
[·]代表向下取整函数，v＝1，…，[N/L]，l＝1…L；然后取
Figure BDA00030939588400001013
绝对值和的均值重构伪时间样本序列
Figure BDA00030939588400001014
Figure BDA00030939588400001015
Figure BDA00030939588400001016
Figure BDA00030939588400001017
计算第i个传感器的似然比：
Figure BDA0003093958840000111
式中，
Figure BDA0003093958840000112
Figure BDA0003093958840000113
表示第i个水压传感器判决第j类目标未出现，
Figure BDA0003093958840000114
表示第i个水压传感器判决第j类目标出现。
则使得对于I个传感器组成的检测系统取得最大值的最优传感器判决规则为：
Figure BDA0003093958840000115
Figure BDA0003093958840000116
的取值应满足检测系统的虚警概率不大于预先给定的α，0＜α＜1
同理
Figure BDA0003093958840000117
Figure BDA0003093958840000118
选择在给定α约束下检测概率最大的
Figure BDA0003093958840000121
作为
Figure BDA0003093958840000122
和
Figure BDA0003093958840000123
数据样本集
Figure BDA0003093958840000124
和
Figure BDA0003093958840000125
的划分按照预设的检测概率区间进行。
特征信息提取具体包括：1.均值、标准差值、方差值、均方根值、最大值、偏度指标、峭度指标、峰值指标、裕度指标、波形指标以及脉冲指标共计11个时域统计特征参数；2.频域上的均值、方差值、频率标准差值、偏度指标、峭度指标、重心频率值、均方根频率共计7个频域统计特征参数。综上，每次提取的特征信息总共包含了18个特征参数。
各类特征参数详细说明如下表所示。
表1特征参数信息说明表
Figure BDA0003093958840000126
基于Rosetta软件实现特征集的特征约简具体实现步骤如下：
(3-1)建立初始决策表
通过以上计算获得每组数据的18个时频特征作为条件属性集合，用K类目标的M级警报共计K×M+1个警示代表作为决策属性集合。
(3-2)属性离散化
在Rosetta软件中的Structures项中通过ODBC数据库导入所建立的初始决策表，选择Entropy/MDL algorithm作为离散化方法。
(3-3)属性约简
选择Rosetta软件中的Genetic algorithm(遗传算法)进行属性约简。
基于多模型训练输出概率分布具体选择BP神经网络(BPNN)，广义回归神经网络(GRNN)与概率神经网络(PNN)作为辨识框架，使用softmax函数输出样本的概率分布，softmax的表达式如下：
Figure BDA0003093958840000131
式中，e为自然指数，Da为神经网络输出层的第a(a＝1,…,M×K+1)个神经元值，pa为该样本取第a类标签的概率值。然后，得到样本在标签空间的概率分布：
P＝[p00，p11,...,p1M,...,pKM] (18)
p00代表无目标的概率，pkm代表探测到第k个目标预警等级为m的概率(k＝1…K,m＝1…M)。P1代表BPNN输出的概率分布，P2，P3分别代表GRNN和PNN输出的概率分布。
基于D-S证据理论多模型概率融合的具体步骤如下：
Figure BDA0003093958840000132
其中，Kf为归一化常数：
Figure BDA0003093958840000141
标签空间作为辨识框架Ω＝{δ00，δ11,...,δ1M,......,δKM},上式中
Figure BDA0003093958840000142
Figure BDA0003093958840000143
分别表示BP网络,GRNN和PNN对水压传感器采集的信号的辨识，
Figure BDA0003093958840000144
表示三种网络的融合辨识。
同理
Figure BDA0003093958840000145
Figure BDA0003093958840000146
Figure BDA0003093958840000147
分别表示BP网络,GRNN和PNN对水体接受电极采集的信号的辨识，
Figure BDA0003093958840000148
表示三种网络的融合辨识。
然后融合流、电复合信息作为最终的辨识结果：
Figure BDA0003093958840000149
Figure BDA00030939588400001410
P0中的最大值为最终的辨识结果：
R＝argmax(P0) (25)
y＝Ω(R) (26)
argmax函数返回P0最大值的索引，y为最终的预测标签。
本发明一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器采用中央处理单元(CPU)，或者采用其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于水下目标探测辨识方法的操作。
实施例：一种水下目标探测辨识系统，包括：
信号采集处理模块，用于获取已知类型水下目标的流场压力信号、流场压力噪声序列、电场畸变信号和电场噪声序列，并分别进行低通滤波预处理和去直流滤波处理；
预训练模块，用于基于Neyman-Pearson规则对预处理后的流场压力信号和流场压力噪声序列进行融合形成流场信号集，从流场信号集取最优的流场信号以及从预处理后的电场畸变信号取最优电场信号依据检测概率划分数据样本集，利用数据样本集进行模型训练得到多模型概率输出模型；
多模型概率输出模块，基于D-S证据理论对获取的流场信号和电场信号进行概率判别，将判别结果进行融合得到最终的目标概率分布，取目标概率分布中概率最大的类别为辨识类别输出。
本发明再一个实施例中，本发明还提供了一种存储介质，具体采用计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。计算机可读存储介质包括终端设备中的内置存储介质，提供存储空间，存储了终端的操作系统，也可包括终端设备所支持的扩展存储介质。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(Non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中水下目标探测辨识方法的相应步骤。
本发明通过估计噪声的概率分布推断目标的似然估计，避免了因后验概率缺少先验信息造成的模型参数估计困难的问题；基于Neyman-Pearson规则实现单一流/电场信息的融合，在同构检测系统检测概率达到最优的情况下选择最佳的流/电信号作为异构融合的依据，提高了单场信息的可靠度；依据检测概率的分布区间进行数据集划分，以不确定性程度作为度量准则，可有效解决传统采用固定阈值式的“一刀切”产生的预测信息与实际冲突的问题；基于Rosetta软件实现特征集的约简，去除了特征集中的冗余属性和“劣质”信息，提高了后续运算过程的效率；采用BP网络(BPNN)，广义回归神经网络(GRNN)与概率神经网络(PNN))对流/电信息进行多模型预测，降低了因单一模型对“敏感”样本的误判而产生的辨识风险；基于D-S证据理论实现BPNN，GRNN与GRNN的数据融合，最小化系统预测误差，然后实现流/电信息的融合，形成信息表征更加全面、系统性能更加稳定与辨识能力更加精准的水下目标探测。
相比于现有的单一场源信息水下目标探测与辨识方法，本发明在克服海洋背景噪声强干扰下多工况复杂目标探测与辨识精度难以提升问题上更具优势，融合动态目标产生的流场压力信号与电场畸变实现流电信息复合探测，解决了现有水下声探测方法信息表征不全面、受环境干扰影响的探测盲区问题，可作为水下非声探测的有效补充技术。相比于现有方法，本方法在表征水下目标的多源动态信息方面更有优势，进而可以实现对水下目标更为准确且高效的探测与辨识，因此本方法在水下目标智能探测与复合辨识方面具有良好的应用前景。
如图2所示实施例中进行算法验证的仿真信号：其中具体的目标类别数与水压传感器数目，接受电极数目均为2，即步骤1中I＝J＝K＝2。
传感器与接收电极的噪声概率分布模型与在不同目标的条件似然分布模型如图3所示，可以看出，异构流场信号与电场信号的分布模型有很大不同，同构传感器测得的目标分布相似。图4(a)与图4(b)分别为流场数据、电场信号的融合特性，依据最优规则选取水压传感器2与接收电极1作为异构流电融合的输入。(接受电极1与2性能几近，故在本次仿真中1，2任选其一)。
如图5所示，具体的对水压传感器2与接收电极1按照检测概率划分为两个预警等级，检测概率在0.1-0.6之间划分为I级警报，0.6-1.0之间划分为II级警报，检测概率在0.1之下为无目标，共五个目标类别。每类样本集100个样本，随机取80个作为测试集，20个作为验证集。对于流场数据，BPNN、GRNN与PNN的辨识准确率分别为77％、81％、78％，多模型融合准确率为87％；对于电场数据，BPNN、GRNN与PNN的辨识准确率分别为72％、86％、67％，多模型融合准确率为86％；可以看出本发明采用的多模型融合辨识技术较单一模型提升了10％左右，具有较好的效果。
单一流、电信息与流电融合辨识情况对比，对多模型产生的结果进一步融合，结果如图6所示，最终辨识准确率至92％，证明了本发明提出的水下目标流/电融合探测与辨识的有效性。

Claims (10)

1.一种水下目标探测辨识方法，其特征在于，包括以下步骤：
S1，对已知类型水下目标的流场压力信号、流场压力噪声序列进行低通滤波预处理，电场畸变信号和电场噪声序列分别进行去直流滤波预处理；
S2，基于Neyman-Pearson规则对预处理后的流场压力信号和流场压力噪声序列进行融合形成流场信号集，从流场信号集取最优的流场信号以及从预处理后的电场畸变信号取最优电场信号依据检测概率划分数据样本集，利用数据样本集进行模型训练得到多模型概率输出模型；
S3，基于D-S证据理论利用多模型概率输出模型对获取的流场信号和电场信号进行概率判别，将判别结果进行融合得到最终的目标概率分布，取目标概率分布中概率最大的类别为辨识类别，从而实现水下目标探测辨识。
2.根据权利要求1所述的一种水下目标探测辨识方法，其特征在于，通过水压传感器测量K类水下目标物产生的多传感流场压力信号
Figure FDA0003093958830000011
和流场压力噪声序列
Figure FDA0003093958830000012
通过电场接受极测量目标激发的电场畸变信号
Figure FDA0003093958830000013
和电场噪声序列
Figure FDA0003093958830000014
k为目标类别(k＝0、1…K)；
基于低通滤波实现
Figure FDA0003093958830000015
的预处理，基于去直流滤波实现
Figure FDA0003093958830000016
和
Figure FDA0003093958830000017
的预处理：
Figure FDA0003093958830000018
Figure FDA0003093958830000019
Figure FDA00030939588300000110
Figure FDA00030939588300000111
Figure FDA00030939588300000112
Figure FDA00030939588300000113
Figure FDA00030939588300000114
是第i(i＝1…I)个水压传感器测得的第k类目标流场压力信号/噪声，
Figure FDA0003093958830000021
是第j(j＝1…J)个接受电极测得的第k类目标电场畸变信号/噪声。
3.根据权利要求1所述的一种水下目标探测辨识方法，其特征在于，择最优的流场信号
Figure FDA0003093958830000022
和电场信号
Figure FDA0003093958830000023
依据检测概率划分流场信号数据样本集
Figure FDA0003093958830000024
和电场信号数据样本集
Figure FDA0003093958830000025
将数据样本集划分为M个报警等级，
Figure FDA0003093958830000026
是在第k类目标在流场/电场信息判定下的m级警报；分别提取流场信号数据样本集
Figure FDA0003093958830000027
和电场信号数据样本集
Figure FDA0003093958830000028
的多域特征构成特征集
Figure FDA0003093958830000029
基于Rosetta软件实现特征集
Figure FDA00030939588300000210
和
Figure FDA00030939588300000211
的特征约简得到特征敏感集，
Figure FDA00030939588300000212
利用特征敏感集
Figure FDA00030939588300000213
训练多模型神经网络实现对不同目标预警等级的辨识，并将模型的输出值转化为概率值，获得目标的概率分布。
4.根据权利要求3所述的一种水下目标探测辨识方法，其特征在于，Fk(n)和Ek(n)的条件似然分布模型
Figure FDA00030939588300000214
和噪声分布
Figure FDA00030939588300000215
Figure FDA00030939588300000216
的估计具体步骤如下所示：
Figure FDA00030939588300000217
Figure FDA00030939588300000218
Figure FDA00030939588300000219
代表均值为
Figure FDA00030939588300000220
方差为
Figure FDA00030939588300000221
的正态分布，N为数据长度；
Figure FDA00030939588300000222
Figure FDA0003093958830000031
Figure FDA0003093958830000032
取
Figure FDA0003093958830000033
强度的均值：
Figure FDA0003093958830000034
取
Figure FDA0003093958830000035
强度均值的相对值：
Figure FDA0003093958830000036
Figure FDA0003093958830000037
强度均值：
Figure FDA0003093958830000038
其中，abs(·)代表取绝对值函数，
Figure FDA0003093958830000039
Figure FDA00030939588300000310
Figure FDA00030939588300000311
Figure FDA00030939588300000312
Figure FDA00030939588300000313
5.根据权利要求4所述的一种水下目标探测辨识方法，其特征在于，给定步长L对
Figure FDA00030939588300000314
进行无重叠样本划分，共得到[N/L]个长度为L的样本
Figure FDA00030939588300000315
[·]代表向下取整函数，v＝1，…,[N/L]，l＝1…L；然后取
Figure FDA00030939588300000316
绝对值和的均值重构伪时间样本序列
Figure FDA00030939588300000317
Figure FDA00030939588300000318
6.根据权利要求3所述的一种水下目标探测辨识方法，其特征在于，基于多模型训练输出概率分布具体选择BP神经网络，广义回归神经网络与概率神经网络作为辨识框架，使用softmax函数输出样本的概率分布。
7.根据权利要求3所述的一种水下目标探测辨识方法，其特征在于，基于D-S证据理论多模型概率融合的具体步骤如下：
Figure FDA0003093958830000041
其中，Kf为归一化常数：
Figure FDA0003093958830000042
标签空间作为辨识框架Ω＝{δ00，δ11,...,δ1M,......,δKM},上式中
Figure FDA0003093958830000043
Figure FDA0003093958830000044
分别表示BP网络,GRNN和PNN对水压传感器采集的信号的辨识，
Figure FDA0003093958830000045
表示三种网络的融合辨识。
8.一种水下目标探测辨识系统，其特征在于，包括：
信号采集处理模块，用于获取已知类型水下目标的流场压力信号、流场压力噪声序列、电场畸变信号和电场噪声序列，并分别进行低通滤波预处理和去直流滤波处理；
预训练模块，用于基于Neyman-Pearson规则对预处理后的流场压力信号和流场压力噪声序列进行融合形成流场信号集，从流场信号集取最优的流场信号以及从预处理后的电场畸变信号取最优电场信号依据检测概率划分数据样本集，利用数据样本集进行模型训练得到多模型概率输出模型；
多模型概率输出模块，基于D-S证据理论对获取的流场信号和电场信号进行概率判别，将判别结果进行融合得到最终的目标概率分布，取目标概率分布中概率最大的类别为辨识类别输出。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
CN202110605511.6A 2021-05-31 2021-05-31 一种水下目标探测辨识方法、系统、设备及可读存储介质 Active CN113361579B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110605511.6A CN113361579B (zh) 2021-05-31 2021-05-31 一种水下目标探测辨识方法、系统、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110605511.6A CN113361579B (zh) 2021-05-31 2021-05-31 一种水下目标探测辨识方法、系统、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN113361579A true CN113361579A (zh) 2021-09-07
CN113361579B CN113361579B (zh) 2024-04-02

Family

ID=77530616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110605511.6A Active CN113361579B (zh) 2021-05-31 2021-05-31 一种水下目标探测辨识方法、系统、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN113361579B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117848478A (zh) * 2024-01-04 2024-04-09 中国新时代科技有限公司 一种水下防御光纤网探测方法、装置和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107255818A (zh) * 2017-06-13 2017-10-17 厦门大学 一种两维多特征融合的水下目标快速检测方法
CN110866887A (zh) * 2019-11-04 2020-03-06 深圳市唯特视科技有限公司 一种基于多传感器的目标态势融合感知方法和系统
WO2021068454A1 (zh) * 2019-10-12 2021-04-15 联合微电子中心有限责任公司 一种基于bp神经网络的微能源器件能量识别方法
CN112801065A (zh) * 2021-04-12 2021-05-14 中国空气动力研究与发展中心计算空气动力研究所 一种基于时空多特征信息的被动声纳目标探测方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107255818A (zh) * 2017-06-13 2017-10-17 厦门大学 一种两维多特征融合的水下目标快速检测方法
WO2021068454A1 (zh) * 2019-10-12 2021-04-15 联合微电子中心有限责任公司 一种基于bp神经网络的微能源器件能量识别方法
CN110866887A (zh) * 2019-11-04 2020-03-06 深圳市唯特视科技有限公司 一种基于多传感器的目标态势融合感知方法和系统
CN112801065A (zh) * 2021-04-12 2021-05-14 中国空气动力研究与发展中心计算空气动力研究所 一种基于时空多特征信息的被动声纳目标探测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张少康;王超;孙芹东;: "基于多类别特征融合的水声目标噪声识别分类技术", 西北工业大学学报, no. 02 *
董彦佼;韩元杰;刘洁莉;: "基于GNN-DS信息融合的目标识别方法", 微计算机信息, no. 22 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117848478A (zh) * 2024-01-04 2024-04-09 中国新时代科技有限公司 一种水下防御光纤网探测方法、装置和存储介质

Also Published As

Publication number Publication date
CN113361579B (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
EP3832553A1 (en) Method for identifying energy of micro-energy device on basis of bp neural network
CN110865357B (zh) 一种基于参数优化vmd的激光雷达回波信号降噪方法
CN110826630A (zh) 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法
CN110108992B (zh) 基于改进随机森林算法的电缆局放故障识别方法、系统
CN102521534B (zh) 一种基于粗糙熵属性约简的入侵检测方法
CN112036239B (zh) 一种基于深度学习网络的雷达信号工作模式识别方法及系统
CN102760235B (zh) 一种基于多视的水下目标分类系统及方法
CN109323754A (zh) 一种列车车轮多边形故障诊断检测方法
CN112508901B (zh) 一种水下结构病害识别方法、系统、装置及存储介质
CN103558519A (zh) 一种gis局部放电超声波信号识别方法
CN110852158B (zh) 一种基于模型融合的雷达人体运动状态分类算法及系统
CN112462355A (zh) 一种基于时频三特征提取的对海目标智能检测方法
CN114487129B (zh) 基于声发射技术的柔性材料的损伤识别方法
CN113361579B (zh) 一种水下目标探测辨识方法、系统、设备及可读存储介质
CN117150402A (zh) 基于生成式对抗网络的电力数据异常检测方法及模型
CN115409064A (zh) 一种基于集成学习的多维特征虚警剔除方法
CN117708760B (zh) 基于多模型融合的开关柜多源局放模式识别方法及系统
CN113514743A (zh) 一种基于多维特征的gis局部放电模式识别系统构建方法
CN116543538B (zh) 一种物联网消防电气预警方法及预警系统
CN116594057A (zh) 一种基于深度学习和边缘计算的地震预警方法与装置
CN116466314A (zh) 一种雷达个体分选方法、装置、存储介质及设备
CN115345203A (zh) 一种基于vmd和多特征融合的管道信号识别方法及系统
CN113608190B (zh) 基于奇异空间三特征的海面目标检测方法及系统
CN114518511A (zh) 一种特征辅助的局部放电点定位方法
CN114757260A (zh) 生理学电信号分类方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant